論文の概要: A Review of Uncertainty Estimation and its Application in Medical Imaging

• arxiv url: http://arxiv.org/abs/2302.08119v1
• Date: Thu, 16 Feb 2023 06:54:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-17 14:43:56.923130
• Title: A Review of Uncertainty Estimation and its Application in Medical Imaging
• Title（参考訳）: 不確実性推定法とその医用画像への応用
• Authors: Ke Zou and Zhihao Chen and Xuedong Yuan and Xiaojing Shen and Meng Wang and Huazhu Fu
• Abstract要約: 不確実性推定は、深部モデルの予測とともに信頼性評価を生成する上で重要な役割を果たす。 これは特に医療画像において重要であり、モデルの予測の不確実性は、関心領域の特定や、臨床医への追加情報の提供に利用することができる。
• 参考スコア（独自算出の注目度）: 32.860577735207094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of AI systems in healthcare for the early screening of diseases is of great clinical importance. Deep learning has shown great promise in medical imaging, but the reliability and trustworthiness of AI systems limit their deployment in real clinical scenes, where patient safety is at stake. Uncertainty estimation plays a pivotal role in producing a confidence evaluation along with the prediction of the deep model. This is particularly important in medical imaging, where the uncertainty in the model's predictions can be used to identify areas of concern or to provide additional information to the clinician. In this paper, we review the various types of uncertainty in deep learning, including aleatoric uncertainty, epistemic uncertainty, and out-of-distribution uncertainty, and we discuss how they can be estimated in medical imaging. We also review recent advances in deep learning models that incorporate uncertainty estimation in medical imaging. Finally, we discuss the challenges and future directions in uncertainty estimation in deep learning for medical imaging. We hope this review will ignite further interest in the community and provide researchers with an up-to-date reference regarding applications of uncertainty estimation models in medical imaging.
• Abstract（参考訳）: 病気の早期スクリーニングのための医療におけるAIシステムの利用は、非常に臨床的に重要である。 深層学習は医療画像において大きな可能性を秘めているが、AIシステムの信頼性と信頼性は、患者の安全が危ぶまれている実際の臨床現場への展開を制限する。 不確実性推定は、深部モデルの予測とともに信頼性評価を生成する上で重要な役割を果たす。 これは特に医療画像において重要であり、モデルの予測の不確実性が関心領域の特定や臨床医への追加情報の提供に利用できる。 本稿では, 深層学習における多種多様な不確実性, 難聴, 分布外不確実性などについて概説し, 医療画像でどのように推定できるかを考察する。 医用画像における不確実性推定を含むディープラーニングモデルの最近の進歩についても概説する。 最後に,医用画像の深層学習における不確実性推定の課題と今後の方向性について論じる。 このレビューがコミュニティにさらなる関心を喚起し、医学画像における不確実性推定モデルの適用に関する最新の参照を研究者に提供することを期待している。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• A review of uncertainty quantification in medical image analysis: probabilistic and non-probabilistic methods [11.972374203751562]
  機械学習モデルの信頼性を定量化するための潜在的な解決策として、不確実性定量化法が提案されている。 本総説は,医療画像解析機械学習モデルにおける不確実性定量化の研究について,臨床および技術的な背景から,迅速かつ詳細な理解を得ることを目的としている。
  論文  参考訳（メタデータ） (2023-10-09T10:15:48Z)
• Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
  本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。 我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。 本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
  論文  参考訳（メタデータ） (2023-02-11T18:07:11Z)
• A Trustworthy Framework for Medical Image Analysis with Deep Learning [71.48204494889505]
  TRUDLMIAは医用画像解析のための信頼できるディープラーニングフレームワークである。 新型コロナウイルス(COVID-19)などの公衆衛生危機への対応に深層学習の活用を推進していくため、研究者や臨床医を支援することが期待されている。
  論文  参考訳（メタデータ） (2022-12-06T05:30:22Z)
• Trustworthy clinical AI solutions: a unified review of uncertainty quantification in deep learning models for medical image analysis [1.0439136407307046]
  本稿では,ディープラーニング予測に関連する不確実性を定量化するための既存手法の概要を提案する。 本稿では,画像の高次元性とその品質変動性から,医用画像解析への応用に焦点をあてる。
  論文  参考訳（メタデータ） (2022-10-05T07:01:06Z)
• Boosting the interpretability of clinical risk scores with intervention predictions [59.22442473992704]
  本稿では、今後の介入に関するモデルの仮定を明確に伝達する手段として、介入政策と有害事象リスクの合同モデルを提案する。 死亡確率などの典型的なリスクスコアと将来の介入確率スコアとを組み合わせることで、より解釈可能な臨床予測がもたらされることを示す。
  論文  参考訳（メタデータ） (2022-07-06T19:49:42Z)
• Joint Dermatological Lesion Classification and Confidence Modeling with Uncertainty Estimation [23.817227116949958]
  本稿では,皮膚学的な分類と不確実性評価を共同で検討する枠組みを提案する。 信頼ネットワークから不確実な特徴や望ましくない変化を避けるために,各特徴の信頼度を推定する。 提案手法の可能性を2つの最先端の皮膚内視鏡的データセットに示す。
  論文  参考訳（メタデータ） (2021-07-19T11:54:37Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Estimating Uncertainty and Interpretability in Deep Learning for Coronavirus (COVID-19) Detection [0.0]
  コンピュータベースの診断にどれだけの自信があるかを知ることは、臨床医にこの技術への信頼を得るのに不可欠である。 本稿では,減量重みに基づくベイズ畳み込みニューラルネットワーク(BCNN)を用いて,ディープラーニングソリューションにおける不確実性を推定する方法について検討する。 不確実性を認識したディープラーニングソリューションが利用できることで、臨床環境でのAI(Artificial Intelligence)の広範な採用が可能になると考えています。
  論文  参考訳（メタデータ） (2020-03-22T21:58:13Z)
• Bayesian Modelling in Practice: Using Uncertainty to Improve Trustworthiness in Medical Applications [2.446672595462589]
  集中治療室(Intensive Care Unit、ICU)は、機械学習が臨床的意思決定に有用な支援を提供する可能性がある病院部門である。 実際には、破滅的な治療決定を未然に防ぐために、余計な治療を受けた医師に不確実な予測を提示すべきである。 ベイジアンモデリングとそれが提供する予測の不確実性が、誤った予測のリスクを軽減するためにどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2019-06-20T13:51:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。